تحديد موقع المستخدم الداخلي باستخدام التعرف على المكان المرئي

التعرف على المكان المرئي هو أحد الركائز الأساسية لتطوير الرؤية الحاسوبية والروبوتات. مهمة خوارزميات التعرف على المكان المرئي هي تحديد المواقع الموجودة بناءً على الصور. يمكن أن تدعم هذه التكنولوجيا الروبوتات المستقلة وقوة العمل البشرية على حد سواء، وتحديد المحيط وتسهيل تنفيذ الإجراءات المطلوبة.

الباحثون في NeuroSYS يستخدمون خوارزميات الرؤية الحاسوبية كجزء من منصة AR المطورة، Nsflow، مما يتيح تعليمات عمل تفاعلية وتدريب عملي لتحديد مواقع المستخدمين أثناء الخضوع لتدريب على الموقع. في هذه الحالة، يؤدي استخدام التعرف على المكان المرئي إلى تسريع كبير في عمليات التأهيل والتعلم بسبب الحاجة المخفضة إلى التدريب والرقابة المسبقة.

تحديد موقع شخص أو مكان معين باستخدام نظام الملاحة بالأقمار الصناعية هو خبر قديم. ولكن ماذا تفعل عندما يكون نظام الملاحة بالأقمار الصناعية غير قابل للتشغيل؟ أنظمة تحديد الموقع الداخلي (IPS) تقدم لإنقاذ الموقف.

عند البحث عن إبرة في كومة قش، يمكن استخدام تقنيات مختلفة، بما في ذلك البوابات، والتحديد المغناطيسي، ووحدات القياس اللahnية (IMU) مع أجهزة التسريع والجيروسكوب، وقياس الحركة من النقطة المعروفة الأخيرة، وتحديد الموقع بالواى فاى، أو ببساطة – استخدام العلامات المرئية.

جميع هذه الطرق لها عيوبها (مثل الحاجة إلى تركيب علامات أو بوابات، وزيادة خطأ القياس بمرور الوقت وضرورة إعادة التموضع)، وتفوق عيوبها فوائدها. الحل الذي ي回答 المشكلة الحاسمة – تحديد موقع المستخدم بشكل عام بدقة إلى بضعة أمتار – يturned يظهر أنه ضمن نطاق الخوارزميات.

عملية التعرف على الأماكن تعتمد على إجراء من两 خطوة، مما يؤدي إلى إنشاء قواعد بيانات منفصلة. في البداية، يتم تصوير المكان المستهدف وتحديد عناصر معينة، نقاط مفتاحية، بواسطة كاشف الميزات لتحديد العناصر المميزة للمنطقة. بعد ذلك، يتم مقارنة النقاط المميزة مع صورة مرجعية. بمجرد أن يُعتبر النقاط المميزة مماثلة بما فيه الكفاية بواسطة مطابق الميزات، يعتبر الصورة مؤهلة لتصوير نفس المكان.

قاعدة بيانات الصور تجمع بين صور المواقع المستهدفة، في هذه الحالة، أماكن العمل، ومجموعة من خصائصها بما في ذلك المعرفات الفريدة، يليها الموصفات المحلية والعالمية. المجموعة الأخرى، قاعدة بيانات الغرفة، تتوافق مع نقاط مفتاحية معينة مع مناطق معينة في الفضاء المعتمد.

استخدم الباحثون شبكات عصبية عميقة من مجال التعرف على المكان المرئي، مثل SuperPoint وSuperGlue وnetVLAD، في عملية تحديد موقع المستخدم. تعمل الشبكات العصبية العميقة، SuperPoint وSuperGlue، معًا في كشف الميزات ومطابقتها، واستخراج المعلومات من قواعد البيانات.

المواصفات العالمية تدخل الساحة

تتطلب العملية مواصفات عالمية، تعمل كمتجهات تميز المكان، وتحدد المناطق بطريقة لا تترك مجالًا للغموض. لتحقيق هذا الدور، يجب أن تكون المتجهات غير حساسة للإضاءة ونمط العرض – بغض النظر عن الزاوية والإضاءة، يجب أن تترك المواصفات العالمية لا مجال للشك عند تمييز الأماكن في الصور المختلفة.

علاوة على ذلك، يجب ألا تكون الأجسام المتغيرة الموجودة في منطقة الاهتمام مرتبطة بالمواصفات العالمية كخصائص تميز الأماكن. الأشياء مثل الأثاث والمعدات عرضة للتغيير (التجديد، الفك)، مما يعني أنها لا يمكن أن تحدد المناطق من خلال وجودها.

يعتمد نظام التعرف على المكان المرئي القائم على الحاسوب على عناصر دائمة من المواقع الموجودة، مثل الأبواب والنوافذ والدرج والعناصر المميزة الأخرى ذات الطبيعة الدائمة. خلال البحث المذكور، تم استخدام شبكة عصبية عميقة NetVLAD لحسابات، مما أدى إلى متجهات تلبية المتطلبات المحددة. في عملية مطابقة المواصفات العالمية، يتم معالجة الصور للمتجهات الأكثر تشابهًا، بعد تقدير المسافة بين كل نقطة مرجعية مميزة.

عند معالجة قواعد البيانات δύο – قاعدة بيانات الغرفة والقاعدة الأخرى التي تحتوي على نقاط مفتاحية ومواصفات عالمية – يتعامل النظام مع سمات الصور. بعد تقدير التشابهات وأقصر مسافات، تحدد الشبكة العصبية الثانية، SuperGlue، صور المواقع. يسمح نظام التعرف على المكان المرئي بتحديد موقع المستخدم بناءً على عدد النقاط المفتاحية المتطابقة.

وجدت الخوارزميات تطبيقًا في منصة AI وAR، مما يساعد المستخدمين على أداء التدريب المجهز بنظارات ذكية. يتيح التعرف على المكان المرئي تحديد موقع المتدربين في مكان العمل، وتنشيط البرامج التعليمية والتوجيهات المخصصة للمواقع المعينة، مما يحسن السلامة ويقلل من الحاجة إلى الإشراف المباشر.

مشروع تم تمويله من قبل الاتحاد الأوروبي من خلال صندوق التنمية الإقليمية الأوروبي كجزء من برنامج النمو الذكي التشغيلي. المشروع تم تنفيذه كجزء من المركز الوطني للبحث والتطوير: المسار السريع.